基于車(chē)底陰影的智能車(chē)前方車(chē)輛檢測(cè)算法

王繼貞，張紹勇，陳效華（奇瑞汽車(chē)股份有限公司汽車(chē)工程研發(fā)總院，安徽 蕪湖　241009）

基于車(chē)底陰影的智能車(chē)前方車(chē)輛檢測(cè)算法

王繼貞，張紹勇，陳效華
（奇瑞汽車(chē)股份有限公司汽車(chē)工程研發(fā)總院，安徽 蕪湖241009）

對(duì)前方車(chē)輛進(jìn)行實(shí)時(shí)精確的檢測(cè)是智能車(chē)系統(tǒng)中對(duì)車(chē)輛進(jìn)行橫向和縱向控制的基礎(chǔ)。本文提出一種魯棒的車(chē)輛檢測(cè)方法，可適用于有車(chē)道線場(chǎng)景和無(wú)車(chē)道線場(chǎng)景車(chē)輛檢測(cè)問(wèn)題。車(chē)輛檢測(cè)可以分為車(chē)輛假設(shè)產(chǎn)生和車(chē)輛驗(yàn)證2個(gè)階段。在車(chē)輛假設(shè)產(chǎn)生階段，文中提出一種車(chē)底陰影二值化方法，可以不受車(chē)道線有無(wú)影響，對(duì)光照強(qiáng)弱、建筑物或樹(shù)的投影等抗干擾能力強(qiáng)。在車(chē)輛驗(yàn)證階段，文中提出車(chē)輛粗驗(yàn)證和精確驗(yàn)證2個(gè)步驟。粗驗(yàn)證階段采用車(chē)輛對(duì)稱性，初步定位車(chē)輛位置，然后在精確定位階段采用機(jī)器學(xué)習(xí)方法進(jìn)行精確定位。

車(chē)輛檢測(cè)；車(chē)底陰影；Adaboost

近年來(lái)，隨著汽車(chē)數(shù)量的急劇增加和人們生活水平的提高，汽車(chē)行駛安全性成為人們關(guān)注的重點(diǎn)。前方車(chē)輛檢測(cè)是智能車(chē)研究的關(guān)鍵技術(shù)之一，主要用于智能車(chē)前方車(chē)輛檢測(cè)、測(cè)距。利用攝像機(jī)來(lái)采集道路前方車(chē)輛圖像，信息量大、成本低、無(wú)污染［1］。目前車(chē)輛檢測(cè)算法主要有：背景差法、幀間差分法、光流法、基于車(chē)輛底部的陰影法、基于車(chē)輛特征的識(shí)別方法。其中，背景差法、幀間差分法只能適用于車(chē)輛靜止?fàn)顟B(tài)的車(chē)輛檢測(cè)，一般用于監(jiān)控領(lǐng)域。光流法適用于車(chē)輛相對(duì)運(yùn)動(dòng)較大場(chǎng)景，對(duì)于車(chē)輛運(yùn)動(dòng)相對(duì)較小場(chǎng)景不適用，并且光流法運(yùn)算量較大，對(duì)硬件處理能力要求高，無(wú)法用于智能車(chē)系統(tǒng)中?；谲?chē)輛底部的陰影法、基于車(chē)輛特征的識(shí)別方法是車(chē)載車(chē)輛檢測(cè)常用方法?；谲?chē)輛底部的陰影法首先采用二值化方法提取出車(chē)輛底部陰影區(qū)域，然后根據(jù)車(chē)輛的對(duì)稱性特征定位車(chē)輛位置?；谲?chē)輛特征的識(shí)別方法通過(guò)采集大量的含有車(chē)輛圖像序列和不含有車(chē)輛圖像序列，然后采用有效的特征提取方法和模式識(shí)別方法進(jìn)行離線訓(xùn)練。本文首先采用基于車(chē)底陰影的方法提取出候選車(chē)輛檢測(cè)區(qū)域，然后采用車(chē)輛對(duì)稱性特征進(jìn)行初步選擇，再采用基于車(chē)輛特征的機(jī)器學(xué)習(xí)方法進(jìn)行最終確認(rèn)是否為車(chē)輛。

1　系統(tǒng)框圖

本文設(shè)計(jì)的車(chē)輛檢測(cè)系統(tǒng)流程圖如圖1所示。智能車(chē)系統(tǒng)采用的攝像頭為彩色攝像頭，系統(tǒng)首先將彩色圖像經(jīng)式 （1）轉(zhuǎn)化為灰度圖像。

將RGB彩色圖像經(jīng)過(guò)式（1）轉(zhuǎn)化為灰度圖像I。智能車(chē)后續(xù)車(chē)輛檢測(cè)系統(tǒng)將基于灰度圖像進(jìn)行處理。系統(tǒng)首先采用自適應(yīng)二值化算法計(jì)算出灰度圖像中車(chē)底陰影分割閾值，然后將灰度圖像轉(zhuǎn)化為僅含有0和255兩個(gè)值的二值圖像，再采用車(chē)輛底部陰影確認(rèn)算法得到車(chē)輛底部陰影下邊緣。然后對(duì)灰度圖像進(jìn)行垂直邊緣增強(qiáng)，接下來(lái)對(duì)垂直邊緣進(jìn)行二值化，根據(jù)車(chē)輛對(duì)稱性特征計(jì)算車(chē)輛對(duì)稱性，得到初步車(chē)輛位置。然后在車(chē)輛初步定位位置采用機(jī)器學(xué)習(xí)方法提取車(chē)輛特征，采用識(shí)別分類方法最終確認(rèn)車(chē)輛是否存在。

圖1　　車(chē)輛檢測(cè)系統(tǒng)流程圖

2　圖像二值化

圖像二值化即選擇一個(gè)合適的閾值，將車(chē)底陰影區(qū)域從背景圖像中分割出來(lái)，閾值的計(jì)算是二值化算法設(shè)計(jì)的重點(diǎn)。圖像閾值選取方法可以分為全局和局部的闕值選擇方法，全局閾值選取是根據(jù)整幅圖像灰度信息確定一個(gè)閾值，局部閾值選取方法是將圖像劃分成若干子圖像，然后根據(jù)每個(gè)子圖像確定相應(yīng)的閾值。目前典型的幾種閾值選取方法有直方圖方法、最大類間方差、最大熵法。

直方圖方法是直接從原始圖像的灰度分布直方圖上確定閾值，包括p-分位數(shù)法、雙峰法、直方圖凹面分析法。但由于實(shí)際圖像的情況往往比較復(fù)雜，而且可能噪音干擾比較大，直方圖參差不齊，確定直方圖的最大值和最小值是比較困難的。

最大類間方差是由日本Ostu于1978年提出的，又稱為大津閾值分割法，它是基于判別式分析最小二乘原理的基礎(chǔ)上推導(dǎo)得出的。圖像中的灰度值按照初始閾值先分為兩類，然后計(jì)算類內(nèi)、類間和總體方差，通過(guò)判決準(zhǔn)則函數(shù)表達(dá)式不斷迭代，計(jì)算得到最優(yōu)的分割閾值，但是這種方法計(jì)算量巨大。

最大熵法用熵來(lái)定義一個(gè)系統(tǒng)的信息量，是系統(tǒng)不確定性的度量。假設(shè)圖像僅在其灰度分布直方圖表示的基礎(chǔ)上，來(lái)定義圖像的熵，并用這一度量來(lái)實(shí)現(xiàn)圖像中目標(biāo)和背景的分離。最大熵方法對(duì)不同目標(biāo)大小和信噪比SNR的圖像均能產(chǎn)生很好的分割效果，目標(biāo)大小對(duì)算法的影響較小，可以用于小目標(biāo)分割。但這種算法涉及對(duì)數(shù)運(yùn)算，運(yùn)算速度比較慢，實(shí)時(shí)性不是很好［2］。

齊美彬提出一種兩次自適應(yīng)閾值計(jì)算方法［2］，算法中首先根據(jù)圖像均值和方差計(jì)算出第一次自適應(yīng)閾值Thres1，然后計(jì)算圖像中低于Thres1的像素值的均值和方差，以此計(jì)算出自適應(yīng)閾值Thres2，通過(guò)Thres2分割車(chē)底陰影。

本文首先采用Sobel邊緣增強(qiáng)算法提取車(chē)道線或道路邊緣，然后根據(jù)車(chē)道線灰度均值進(jìn)行圖像二值化。由于圖像上部為天空區(qū)域，因此本文僅處理圖像下面3/4區(qū)域。提取效果如圖2所示。

圖2　　道路區(qū)域二值化

對(duì)上述二值化后的圖像從左到右每一列，進(jìn)行從下往上的掃描。當(dāng)掃描到第一個(gè)白色像素即第一條邊緣時(shí)，記錄該位置垂直方向坐標(biāo)，然后停止該列掃描，繼續(xù)進(jìn)行下一列的掃描。當(dāng)該掃描進(jìn)行完畢后，截取原灰度圖像中剛剛記錄的每一列掃描停止的位置到圖像感興趣區(qū)域最底部的所有像素點(diǎn)，接著將其到感興趣區(qū)域最頂部的所有像素直接置255，即將其直接設(shè)置為白色像素，這樣便可提取出路面區(qū)域。提取的道路路面區(qū)域如圖3所示。

圖3　　道路區(qū)域背景選擇

根據(jù)圖3中路面位置區(qū)域計(jì)算原始圖像中相應(yīng)路面區(qū)域?qū)?yīng)的均值m和方差σ。通過(guò)試驗(yàn)測(cè)試，路面區(qū)域灰度分布近似可以看做為正態(tài)分布，并且灰度值在（m-3×σ，m+3×σ）的像素概率高達(dá)99.8%。因此，可以選擇m-3×σ作為路面區(qū)域灰度值的近似下界。根據(jù)攝像頭安裝結(jié)果，圖像0～150行對(duì)應(yīng)上部天空，車(chē)輛底部陰影不在這個(gè)區(qū)間，程序中不處理這部分。設(shè)T= m-3×σ，以T為閾值，對(duì)原始圖像進(jìn)行二值化，結(jié)果如圖4所示?？梢钥闯鲩撝祷Y(jié)果比較好地保存了車(chē)底陰影，并與大部分路面區(qū)域分割開(kāi)來(lái)。

圖4　　車(chē)輛陰影二值化

3　車(chē)輛水平邊緣提取

車(chē)輛水平邊緣提取指根據(jù)車(chē)輛底部陰影水平特征以及具有一定長(zhǎng)度等確定出車(chē)輛陰影。車(chē)底陰影區(qū)別于圖像中其他特征有以下幾點(diǎn)：①陰影部分從下向上會(huì)有明顯的垂直梯度變換；②車(chē)輛陰影底部是水平的；③水平陰影的長(zhǎng)度隨圖像行數(shù)增大而變長(zhǎng)。

根據(jù)特征①描述，對(duì)原始圖像進(jìn)行水平邊緣增強(qiáng)。得到水平邊緣增強(qiáng)圖像后，設(shè)定邊緣增強(qiáng)閾值（如10），將水平邊緣增強(qiáng)的圖像二值化，灰度值高于閾值的設(shè)定為255，否則像素灰度值設(shè)定為0。然后將水平邊緣增強(qiáng)的二值化圖像與圖3中的車(chē)輛陰影二值化圖像進(jìn)行 “與”操作。根據(jù)車(chē)輛寬度信息，汽車(chē)寬度一般在1.5～2.5m之間，根據(jù)特征②和③，通過(guò)相機(jī)標(biāo)定結(jié)果，計(jì)算出車(chē)輛陰影在圖像中的寬度，然后判斷計(jì)算的車(chē)輛寬度是否在設(shè)定范圍之內(nèi)。最后根據(jù)車(chē)道線檢測(cè)算法，如果檢測(cè)到車(chē)道線，則將區(qū)域限定在當(dāng)前車(chē)道范圍內(nèi)，刪除車(chē)道范圍外的陰影水平線。原圖見(jiàn)圖3，得到的各階段圖像如圖5所示。

4　車(chē)輛確認(rèn)

車(chē)輛底部陰影候選位置得到以后，首先根據(jù)車(chē)輛對(duì)稱性特征粗略確認(rèn)車(chē)輛位置，然后采用機(jī)器學(xué)習(xí)的方法最終確認(rèn)車(chē)輛是否存在。車(chē)輛對(duì)稱性確認(rèn)過(guò)程中，根據(jù)車(chē)輛底部陰影位置的左右邊緣和長(zhǎng)度，確定圖像垂直邊緣增強(qiáng)的左右位置和高度。文中設(shè)定圖像垂直邊緣增強(qiáng)的高度與車(chē)底陰影長(zhǎng)度相同。通過(guò)采用Sobel垂直邊緣增強(qiáng)，得到增強(qiáng)后的灰度圖像F1（x，y）。然后對(duì)區(qū)域內(nèi)的圖像，如式（2），從上到下逐列累加統(tǒng)計(jì)。

圖5　　各階段圖像

對(duì)稱軸取矩形框豎直中軸xs，寬度為矩形寬度w= xend-xstart，以xs為縱軸的新坐標(biāo)，偶函數(shù)和奇函數(shù)分量分別為

目標(biāo)矩形的對(duì)稱度測(cè)量為

通過(guò)上述公式計(jì)算，得出候選區(qū)域的對(duì)稱度測(cè)量值，如果滿足要求，則在候選區(qū)域中采用機(jī)器學(xué)習(xí)方法進(jìn)行最終確認(rèn)。采用機(jī)器學(xué)習(xí)方法包括2個(gè)過(guò)程：訓(xùn)練過(guò)程和識(shí)別過(guò)程。訓(xùn)練過(guò)程通過(guò)采集大量車(chē)輛樣本和非車(chē)輛樣本，將正樣本統(tǒng)一歸一到32×32大小尺寸。然后采用Adaboost算法，訓(xùn)練得到表示車(chē)輛的數(shù)學(xué)模型。本文采用擴(kuò)展的類Harr特征來(lái)描述車(chē)輛邊緣及結(jié)構(gòu)特征，共分為4大類15種特征。計(jì)算每個(gè)樣本圖像的15種不同尺寸的類Harr特征，每個(gè)樣本可以計(jì)算出57519個(gè)類Harr特征。Boosting原意為提升、加強(qiáng)?，F(xiàn)在一般指的是將弱學(xué)習(xí)算法提升為強(qiáng)學(xué)習(xí)算法的一類算法。1995年，F(xiàn)reund和Schapire提出的Adaboost，是對(duì)Boosting算法的一大提高。其主要原理是將所有帶分類樣本賦予相等的初始權(quán)值，在每一輪選取弱分類器的訓(xùn)練中，選擇對(duì)樣本帶權(quán)分類錯(cuò)誤最小的特征與閾值組合作為當(dāng)前選取的弱分類器，并根據(jù)當(dāng)前的弱分類器的分類效果對(duì)樣本的權(quán)值進(jìn)行更新。在反復(fù)進(jìn)行多次迭代訓(xùn)練后，可以使分類錯(cuò)誤趨近于0。

通過(guò)車(chē)輛確認(rèn)后的效果如圖6所示。

圖6　　車(chē)輛確認(rèn)后效果

5　試驗(yàn)驗(yàn)證

本文采用奇瑞公司研發(fā)的艾瑞澤7轎車(chē)為試驗(yàn)車(chē)輛，利用安裝在擋風(fēng)玻璃上部的CCD攝像機(jī)采集前方圖像。攝像頭焦距12 mm，水平視場(chǎng)角26°，采用主頻為2.2 GHz的工控機(jī)為圖像處理平臺(tái)，采集頻率為25 幀/s。試驗(yàn)測(cè)試數(shù)據(jù)庫(kù)來(lái)自攝像頭采集的視頻序列，奇瑞公司建立了涵蓋白天各種場(chǎng)景的車(chē)輛檢測(cè)測(cè)試庫(kù)，其中轎車(chē)圖像86 472張，越野車(chē)圖像107 265張，貨車(chē)圖像153 400張，中巴圖像95 674張，公交車(chē)圖像114 684張。試驗(yàn)中，用以下指標(biāo)對(duì)在不同場(chǎng)景中車(chē)輛檢測(cè)的效果進(jìn)行評(píng)價(jià)。檢測(cè)率用tp表示，錯(cuò)誤率用fp表示，公式如下。

式中：NTP——測(cè)試樣本中正確檢測(cè)車(chē)輛數(shù)目；NFP——測(cè)試樣本中非車(chē)輛檢測(cè)為車(chē)輛的個(gè)數(shù)；NTN——測(cè)試樣本中正確識(shí)別非車(chē)輛的數(shù)目；NFN——將車(chē)輛識(shí)別為非車(chē)輛的個(gè)數(shù)。

采用本文方法測(cè)試的不同場(chǎng)景的車(chē)輛檢測(cè)效果見(jiàn)表1。

表1　　不同場(chǎng)景的車(chē)輛檢測(cè)效果

6　結(jié)論

基于車(chē)輛陰影的車(chē)輛檢測(cè)，通過(guò)提取車(chē)底陰影與地面分割閾值，采用車(chē)輛陰影在圖像中的特有特征提取出車(chē)輛陰影，可以在算法初期快速定位候選車(chē)輛區(qū)域。然后采用機(jī)器學(xué)習(xí)方法在候選區(qū)域確認(rèn)車(chē)輛有效性。通過(guò)試驗(yàn)測(cè)試，本文方法相比于傳統(tǒng)的機(jī)器學(xué)習(xí)方法，通過(guò)車(chē)底陰影進(jìn)行局部區(qū)域確定，然后采用機(jī)器學(xué)習(xí)方法可以顯著減低算法運(yùn)行時(shí)間，同時(shí)通過(guò)車(chē)輛對(duì)稱性和機(jī)器學(xué)習(xí)兩級(jí)確認(rèn)，可以得到更加穩(wěn)定的車(chē)輛位置。通過(guò)不同車(chē)輛類型檢測(cè)測(cè)試結(jié)果，可以看出對(duì)轎車(chē)的檢測(cè)率最高，而貨車(chē)的檢測(cè)率最低，其主要原因在于轎車(chē)尾部相對(duì)貨車(chē)更加規(guī)整。貨車(chē)由于載貨和改裝等問(wèn)題，識(shí)別率相對(duì)較低。同時(shí)，本文只研究了晴天場(chǎng)景的車(chē)輛識(shí)別問(wèn)題，下一步將對(duì)雨天、夜晚等惡劣場(chǎng)景進(jìn)行研究，從而形成可以全天候進(jìn)行智能車(chē)車(chē)輛檢測(cè)的系統(tǒng)。

［1］韻卓.基于DSP的道路前方車(chē)輛識(shí)別算法研究［D］.長(zhǎng)春：吉林大學(xué)，2014.

［2］李晗.基于機(jī)器視覺(jué)的高速車(chē)道標(biāo)志線檢測(cè)算法的研究［D］.沈陽(yáng)：東北大學(xué)，2006.

（編輯楊景）

Intelligent Forward Vehicle Detection Algorithm Based on the Vehicle Shadow

WANG Ji-zhen，ZHANG Shao-yong，CHEN Xiao-hua
（Automobile Engineering Research Institute of Chery Automobile Co.，Ltd.，Wuhu 241009，China）

The real-time and accurate detection of forward vehicle is the basis of the lateral and longitudinal control in the intelligent vehicle system.A robust vehicle detection method is proposed here，which can be applied in all scenes with or without lane line.The vehicle detection can be divided into two stages：vehicle hypothesis generation and vehicle verification.In the first stage，a vehicle shadow binarization method is proposed.In the second stage，two steps are proposed：rough verification and precise verification.In the rough verification stage，the vehicle can be positioned using the vehicle symmetry，and in the precise positioning stage，the machine learning method is used for positioning.

vehicle detection；vehicle shadow；Adaboost

U467.11

A

1003-8639（2016）02-0059-04

2015-07-10；

2015-09-24

王繼貞（1985-），男，碩士，設(shè)計(jì)師，主要研究方向?yàn)橛?jì)算機(jī)視覺(jué)、主動(dòng)安全、智能車(chē)；張紹勇（1983-），男，碩士，主管設(shè)計(jì)師，主要研究方向?yàn)橹悄苘?chē)；陳效華 （1966-），男，博士，院長(zhǎng)，主要研究方向?yàn)槠?chē)前瞻性技術(shù)。